---
slug: "nanoresearch"
source_type: "readme"
source_url: "https://cdn.jsdelivr.net/gh/openraiser/nanoresearch@main/README.md"
repo: "https://github.com/openraiser/nanoresearch"
source_file: "README.md"
branch: "main"
---
---
> 🔬 NanoResearch **真正运行计算实验**——它不仅生成代码，还能将代码提交到 GPU 集群执行训练，收集真实实验结果，生成论文配图，最终输出一篇有实验数据支撑的完整 LaTeX 论文。论文中的每一个数据、表格、图表都来自实际运行的实验结果，**而非 LLM 编造**。
---
## 📖 目录
- [📊 论文实测展示](#-论文实测展示)
- [⚡ CLI 演示](#cli-demo)
- [📢 最新动态](#-最新动态)
- [✨ 核心特性](#-核心特性)
- [🆚 为何选择 NanoResearch](#-为何选择-nanoresearch)
- [🎯 应用场景](#-应用场景)
- [🖼️ 效果展示](#️-效果展示)
- [CLI：标准输出与 TUI 对比](#cli-tui-vs-plain)
- [🔬 流水线](#-流水线)
- [📦 快速开始](#-快速开始)
- [🧬 Evo 自进化流水线](#-evo-自进化流水线)
- [🧩 Claude Code 模式](#-claude-code-模式)
- [⚙️ 配置](#️-配置)
- [💻 CLI 参考](#-cli-参考)
- [🍪 示例与 Demo](#-示例与-demo)
- [📂 输出结构](#-输出结构)
- [💬 飞书机器人](#-飞书机器人)
- [🏗️ 项目结构](#-项目结构)
- [❓ 常见问题](#-常见问题)
- [🎯 路线图](#-路线图)
- [📋 环境要求](#-环境要求)
- [🙏 致谢](#-致谢)
- [🤝 贡献](#-贡献)
- [📝 引用](#-引用)
- [📄 许可证](#-许可证)
🔝 返回顶部
---
## 📊 论文实测展示
以下为 NanoResearch 自动生成论文中的**真实配图**，所有数据、曲线、表格均来自实际运行的实验结果，**非 LLM 虚构**。
> 以上配图均为流水线自动生成，数据来源于真实训练日志与实验结果。
---
## ⚡ CLI 演示
NanoResearch **命令行（CLI）** 提供 **TUI 全屏界面** 与 **传统流式日志** 两种呈现方式。下方为 CLI 端 **TUI 主题与界面** 演示视频（配色切换与布局优化）。其他入口（如 Claude Code、飞书机器人）见文档对应章节。
演示：TUI 界面、配色主题切换与信息布局优化
🔝 返回顶部
---
## Why NanoResearch
| 特性 | 传统 AI 写作工具 | NanoResearch |
|------|-----------------|-------------|
| 文献检索 | 部分支持 | ✅ OpenAlex + Semantic Scholar 自动检索 |
| 实验设计 | ❌ | ✅ 自动生成实验方案 |
| 代码生成 | 部分支持 | ✅ 完整可运行的实验代码 |
| **GPU 实验执行** | ❌ | ✅ **本地 / SLURM 自动训练** |
| 结果分析 | ❌ | ✅ 解析真实训练日志 |
| 论文配图 | ❌ | ✅ 基于真实数据 |
| 论文撰写 | 大纲/草稿 | ✅ 完整 LaTeX 论文 |
| 断点续跑 | ❌ | ✅ 任意阶段可恢复 |
| 多模型协作 | 单一模型 | ✅ 按阶段路由 |
---
## 🎯 应用场景
- **科研原型验证** — 快速将研究想法变成完整的实验 + 论文工作空间
- **自主实验** — 系统自动生成代码、提交 GPU 训练、分析结果
- **Benchmark 批量生成** — 对多个课题批量运行，生成可复现的实验结果
- **论文初稿辅助** — 基于真实实验数据产出 LaTeX 草稿，加速写作
- **科研流程审计** — 完整工作空间、中间产物和日志，可追溯每一步
---
## 🖼️ 效果展示
告别手动科研的痛苦循环
不再反复调试失败的实验、手动整理数据、从零写论文——
NanoResearch 将完整科研流程自动化，让你专注于真正的研究创新。
### CLI：标准输出与 TUI 模式对比
CLI 支持 **传统流式日志（非 TUI）** 与 **全屏 TUI 面板** 两种呈现方式，可按习惯切换。
标准输出（非 TUI）
非 TUI：经典终端日志流，便于重定向与脚本集成
TUI 模式
TUI：结构化面板与状态分区，适合交互式监控
### 示例输出
框架概览
|
生成论文示例
|
主结果（真实实验数据）
|
消融实验
|
---
## 🔬 流水线
```text
Research Topic
↓
IDEATION → PLANNING → SETUP → CODING → EXECUTION → ANALYSIS → FIGURE_GEN → WRITING → REVIEW
↓
Exported: paper.pdf / paper.tex / references.bib / figures / code / data
```
📋 各阶段详细说明
| Stage | 功能 | 说明 |
|-------|------|------|
| `IDEATION` | 文献检索与创意生成 | 搜索学术文献、发现研究空白、提出假说、收集必引文献 |
| `PLANNING` | 实验方案设计 | 将研究想法转化为详细的实验蓝图（数据集、基线、指标、消融） |
| `SETUP` | 环境准备 | 准备代码仓库、依赖环境、模型和数据集 |
| `CODING` | 代码生成 | 生成完整可运行的实验项目（含训练脚本、数据处理、模型定义） |
| `EXECUTION` | **实验执行** | **在本地 GPU 或 SLURM 集群上运行训练，支持自动重试和调试** |
| `ANALYSIS` | 结果分析 | 解析训练日志和指标，生成结构化实验证据 |
| `FIGURE_GEN` | 图表生成 | 创建架构图、结果对比图、消融实验图 |
| `WRITING` | 论文撰写 | 基于实验证据和引用撰写 LaTeX 论文 |
| `REVIEW` | 审稿与修订 | 自动审阅各章节，检测问题并修订 |
🚀 EXECUTION 阶段核心能力
`EXECUTION` 阶段是 NanoResearch 的核心差异化能力：
- **自动提交 SLURM 作业** — 生成 sbatch 脚本，提交到集群，监控作业状态
- **本地 GPU 执行** — 自动检测可用 GPU，管理训练进程
- **自动调试与重试** — 训练失败时自动分析错误日志，修复代码并重新执行
- **实时日志监控** — 追踪训练进度和指标变化
- **混合执行模式** — 可根据任务复杂度在本地和集群之间自动切换
---
## 📦 快速开始
遵循以下步骤，约 5 分钟即可完成从安装到首次运行的完整流程。
### 步骤一：安装
```bash
git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
pip install -e ".[dev]"
```
### 步骤二：配置
> [!TIP]
> 创建 `~/.nanoresearch/config.json`，替换 `base_url` 和 `api_key` 为你自己的 OpenAI 兼容 API 端点。
查看完整配置示例
```json
{
"research": {
"base_url": "https://your-openai-compatible-endpoint/v1/",
"api_key": "your-api-key",
"template_format": "neurips2025",
"execution_profile": "local_quick",
"writing_mode": "hybrid",
"max_retries": 2,
"auto_create_env": true,
"auto_download_resources": true,
"ideation": { "model": "your-model", "temperature": 0.5, "max_tokens": 16384, "timeout": 600.0 },
"planning": { "model": "your-model", "temperature": 0.2, "max_tokens": 16384, "timeout": 600.0 },
"code_gen": { "model": "your-model", "temperature": 0.1, "max_tokens": 16384, "timeout": 600.0 },
"writing": { "model": "your-model", "temperature": 0.4, "max_tokens": 16384, "timeout": 600.0 },
"figure_prompt": { "model": "pro/gpt-5.5", "temperature": 0.5, "max_tokens": 4096, "timeout": 300.0 },
"figure_code": { "model": "pro/gpt-5.5", "temperature": 0.1, "max_tokens": 16384, "timeout": 600.0 },
"figure_gen": {
"model": "gpt-image-2",
"image_backend": "openai",
"base_url": "https://your-image-endpoint/v1/",
"api_key": "your-image-api-key",
"temperature": null,
"timeout": 600.0
},
"review": { "model": "your-model", "temperature": 0.3, "max_tokens": 16384, "timeout": 300.0 }
}
}
```
环境变量覆盖：`NANORESEARCH_BASE_URL` / `NANORESEARCH_API_KEY` / `NANORESEARCH_TIMEOUT`
### 步骤三：验证与运行
```bash
# 验证配置
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --dry-run
# 启动完整流水线
nanoresearch run --topic "Adaptive Sparse Attention Mechanisms" --format neurips2025 --verbose
# 从断点恢复（若某阶段失败）
nanoresearch resume --workspace ~/.nanoresearch/workspace/research/{session_id} --verbose
# 导出论文
nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./my_paper
```
### 步骤四：预期输出
完成流水线后，你将得到包含真实实验数据的论文配图与 LaTeX 源码。
---
## 🧬 Evo 自进化流水线
`evo` 是 NanoResearch 的自进化流水线，面向个性化科研自动化。它围绕技能演化、记忆演化和反馈驱动的 planner / router 适配运行，让系统在多轮研究中复用经验并逐步贴合用户偏好。
### 什么时候使用 `evo`
- 希望系统跨多轮研究积累可复用技能和项目记忆。
- 希望根据个人偏好、算力约束、目标 venue 和反馈逐步调整研究计划。
- 希望规划阶段明确生成 proposed method、baseline、ablation、optimization/history 和 complexity 相关实验，并让论文只基于真实 artifact 写作。
### 从用户初始化到论文产出
```bash
# 1. 初始化或更新用户画像、偏好和运行配置
nanoresearch init
# 2. 启动自进化完整流水线
nanoresearch run --pipeline evo --topic "your research topic" --format neurips2025 --verbose
# 3. 中途失败或断开后恢复
nanoresearch resume --workspace ~/.nanoresearch/workspace/research/{session_id} --verbose
# 4. 查看阶段状态和产物
nanoresearch status --workspace ~/.nanoresearch/workspace/research/{session_id}
nanoresearch inspect --workspace ~/.nanoresearch/workspace/research/{session_id}
# 5. 导出最终论文包
nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./paper_export
```
### Evo 模式会产出什么
`evo` 仍然运行 9 个阶段：`IDEATION -> PLANNING -> SETUP -> CODING -> EXECUTION -> ANALYSIS -> FIGURE_GEN -> WRITING -> REVIEW`。区别在于它会在这些阶段之间持续更新和复用用户画像、技能库、项目记忆和反馈路由。
关键机器可检查 artifact 通常位于：
```text
~/.nanoresearch/workspace/research/{session_id}/experiment/configs/experiment_matrix.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/metrics.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/run_manifest.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/final_metrics.json
~/.nanoresearch/workspace/research/{session_id}/experiment/results/optimization_history.csv
~/.nanoresearch/workspace/research/{session_id}/experiment/results/pareto_front.json
```
写作阶段只读取真实执行结果、分析报告和图表 artifact。若某类实验或指标没有真实产物，系统会降低证据范围或写入 limitation / future work，不会补 synthetic 数值。文献检索可匿名使用 OpenAlex；如需更高速率，可自行配置 `OPENALEX_API_KEY`。
---
## 🤖 推荐模型
| Stage | 任务 | 推荐模型 | 经济型 |
|-------|------|---------|-------|
| `ideation` | 文献检索 + 假说生成 | DeepSeek-V3.2 | DeepSeek-V3.2 |
| `planning` | 实验设计 | Claude Sonnet 4.6 | DeepSeek-V3.2 |
| `code_gen` | 代码生成 | pro/gpt-5.5 | DeepSeek-V3.2 |
| `writing` | 论文撰写 | pro/gpt-5.5 / Claude Sonnet 4.6 | DeepSeek-V3.2 |
| `figure_prompt` | 图表描述 | pro/gpt-5.5 | DeepSeek-V3.2 |
| `figure_code` | 图表绘制代码 | pro/gpt-5.5 | DeepSeek-V3.2 |
| `figure_gen` | AI 架构图生成 | gpt-image-2（OpenAI-compatible image API） | gpt-image-2 |
| `review` | 审稿 + 修订 | DeepSeek-V3.2 / pro/gpt-5.5 | DeepSeek-V3.2 |
---
## 🧩 Claude Code 模式
除了 Python CLI，NanoResearch 还支持通过 **[Claude Code](https://docs.anthropic.com/en/docs/claude-code)** 直接驱动研究流水线——**无需配置任何 API Key**。
工作原理
在 Claude Code 集成模式下，Claude Code 本身就是研究引擎：
- **WebSearch** 替代外部 API 进行文献检索（arXiv、Semantic Scholar、Google Scholar）
- **Bash** 执行实验代码、提交 SLURM 作业、编译 LaTeX
- **文件读写** 生成实验代码、论文和结构化产物
### 快速开始
```bash
git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
claude
/project:research "你的研究课题"
```
### 可用命令
| 命令 | 功能 |
|---------|------|
| `/project:research <课题>` | 运行完整 9 阶段流水线 |
| `/project:ideation ` | Stage 1: 文献检索 + 假说生成 |
| `/project:planning` | Stage 2: 实验方案设计 |
| `/project:experiment` | Stages 3-5: 环境准备 + 代码生成 + 实验执行 |
| `/project:analysis` | Stage 6: 实验结果分析 |
| `/project:writing` | Stages 7-8: 图表生成 + 论文撰写 |
| `/project:review` | Stage 9: 多视角审稿 + 修订 |
| `/project:status` | 查看当前流水线状态 |
| `/project:resume` | 从断点恢复流水线 |
💡 Tips
- **架构图生成**：推荐使用 Nano Banana 系列图像模型生成高质量架构图。Claude Code 模式下可在 `figure_gen` 阶段通过 Bash 调用图像生成 API。
- **LaTeX 编译**：推荐使用 `tectonic` 替代 `pdflatex`。安装：`conda install -c conda-forge tectonic`。
- **断点续跑**：所有阶段的产物保存在 `manifest.json` 中，支持任意阶段恢复。
- **与 Python CLI 兼容**：Claude Code 模式生成的工作空间与 Python CLI 完全兼容，可混合使用两种模式。
---
## Codex Integration
除了 Claude Code，NanoResearch 现在也提供了面向 **Codex** 的项目级入口。Codex 不需要第二套 pipeline 或额外的 `--mode codex` 参数；它应直接复用仓库现有的 CLI、workspace、manifest 和 `PaperMode` 逻辑。
### 如何使用
```bash
# 1. Clone 项目
git clone https://github.com/OpenRaiser/NanoResearch.git
cd NanoResearch
# 2. 在 Codex 中打开仓库
# 3. 让 Codex 先读取 AGENTS.md
```
Codex 入口文档：`AGENTS.md`
### Codex 会如何理解这个仓库
- 将仓库视为一个端到端自主科研流水线，而不是普通代码仓库
- 优先走已有的 `nanoresearch` CLI / workspace / orchestrator 行为
- 将用户意图映射到现有的 `research`、`ideation`、`planning`、`experiment`、`analysis`、`writing`、`review`、`status`、`resume` 流程
- 保持与现有工作空间和 `manifest.json` 兼容
### Survey / Original 模式
Codex 使用与 CLI 相同的 topic 前缀约定：
- `original: Topic`
- `survey:short: Topic`
- `survey:standard: Topic`
- `survey:long: Topic`
这些前缀会进入仓库现有的 `PaperMode` 解析逻辑；Codex 只需要遵循这一约定，而不需要发明新的接口。
## Execution Profiles
| Profile | 说明 |
|---------|------|
| `fast_draft` | 轻量级草稿模式，快速迭代 |
| `local_quick` | 优先本地执行，需要时可升级到 SLURM |
| `cluster_full` | 集群优先，适合重量级实验 |
### 模型路由
NanoResearch 通过统一配置层将不同阶段路由到不同模型，让你按任务特性混合搭配，而非强制所有阶段使用同一模型。
可路由的阶段
- `ideation` — 文献检索与创意
- `planning` — 实验设计
- `experiment` — 实验相关
- `code_gen` — 代码生成
- `writing` — 论文撰写
- `figure_prompt` — 图表描述
- `figure_code` — 图表代码
- `figure_gen` — 图像生成
- `review` — 审稿
- `revision` — 修订
系统基于 **OpenAI 兼容端点**构建，支持按阶段覆盖配置。
### 文献检索 API Keys（可选）
IDEATION 阶段使用 OpenAlex 和 Semantic Scholar 检索学术文献。不配置也能运行（匿名访问），但速率限制较低。
| Service | 获取方式 | Config key | Env variable |
|---------|---------|------------|--------------|
| [OpenAlex](https://developers.openalex.org/) | 免费 | `openalex_api_key` | `OPENALEX_API_KEY` |
| [Semantic Scholar](https://www.semanticscholar.org/product/api#api-key) | 免费 | `s2_api_key` | `S2_API_KEY` |
### 论文格式
模板从 `nanoresearch/templates/` 自动发现。内置模板：
| Format | 用途 |
|--------|------|
| `arxiv` | arXiv 预印本 |
| `icml` | ICML 会议 |
| `neurips` | NeurIPS 会议 |
| `neurips2025` | NeurIPS 2025 |
```bash
nanoresearch run --topic "Graph Foundation Models for Biology" --format neurips2025
```
---
## 💻 CLI 参考
| 命令 | 用途 |
|---------|------|
| `nanoresearch run --topic "..."` | 启动新的流水线运行 |
| `nanoresearch resume --workspace ...` | 从上次断点恢复 |
| `nanoresearch status --workspace ...` | 查看各阶段状态和产物 |
| `nanoresearch list` | 列出已保存的研究会话 |
| `nanoresearch export --workspace ...` | 导出论文打包 |
| `nanoresearch config` | 打印当前配置（密钥已屏蔽） |
| `nanoresearch inspect --workspace ...` | 检查工作空间产物 |
| `nanoresearch health` | 运行环境/配置健康检查 |
| `nanoresearch delete ` | 删除指定会话 |
```bash
nanoresearch --help
```
🔝 返回顶部
---
## 🍪 示例与 Demo
官方示例与进阶用法，助你快速上手 NanoResearch：
👉 **[浏览示例与 Demo](https://github.com/OpenRaiser/NanoResearch)**
快速示例命令
```bash
# 完整流水线 + 详细日志
nanoresearch run --topic "Adaptive Sparse Attention" --format neurips2025 --verbose
# 导出并查看
nanoresearch export --workspace ~/.nanoresearch/workspace/research/{session_id} --output ./paper_out
```
> 仅生成论文（跳过实验）：在 config 中设置 `"skip_stages": ["SETUP", "CODING", "EXECUTION", "ANALYSIS"]`
🔝 返回顶部
---
## 📂 输出结构
导出的论文目录
```text
my_paper/
├── paper.pdf
├── paper.tex
├── references.bib
├── figures/
├── code/
├── data/
└── manifest.json
```
完整工作空间（含中间产物）
```text
~/.nanoresearch/workspace/research/{session_id}/
├── manifest.json # 流水线状态追踪
├── papers/ # 文献检索产物
├── plans/ # 实验方案和分析
├── experiment/ # 生成的实验代码 + 结果
├── figures/ # 生成的论文配图
├── drafts/ # 论文草稿和审稿意见
├── output/ # 最终导出（main.tex / main.pdf）
└── logs/ # 运行日志
```
---
## 💬 飞书机器人
NanoResearch 内置飞书（Lark）机器人，可直接在飞书聊天中触发流水线、查看进度、接收论文——无需打开终端。
配置与启动
**1. 安装依赖**
```bash
pip install lark-oapi
```
**2. 配置**
在 [open.feishu.cn](https://open.feishu.cn) 创建自定义应用并获取 App ID 和 App Secret：
```bash
export FEISHU_APP_ID="cli_xxx"
export FEISHU_APP_SECRET="xxx"
```
或写入 `~/.nanoresearch/config.json`：
```json
{
"feishu": {
"app_id": "cli_xxx",
"app_secret": "xxx"
}
}
```
**3. 启动**
```bash
nanoresearch feishu # 启动机器人
nanoresearch feishu -v # 详细日志模式
```
机器人通过 WebSocket 长连接通信（无需公网服务器或 Webhook URL）。按 `Ctrl+C` 停止。
### 支持的命令
| 命令 | 描述 |
|---------|------|
| `/run <课题>` | 对指定课题启动研究流水线 |
| `/status` | 查看当前任务进度 |
| `/list` | 列出所有历史研究会话 |
| `/stop` | 停止当前运行的流水线 |
| `/export` | 重新导出最近完成的研究 |
| `/new` | 清除对话记忆，重新开始 |
| `/help` | 显示帮助信息 |
也可以直接自然语言聊天——机器人充当 AI 科研助手，支持对话记忆，流水线完成后自动发送 `paper.pdf`。
---
## 🏗️ 项目结构
```text
nanoresearch/
├── nanoresearch/
│ ├── cli.py # 🖥️ CLI 入口
│ ├── config.py # ⚙️ 配置管理
│ ├── agents/ # 🧠 各阶段 Agent
│ │ ├── ideation.py # 文献检索与假说
│ │ ├── planning.py # 实验方案设计
│ │ ├── coding.py # 代码生成
│ │ ├── execution/ # 本地/集群执行
│ │ ├── analysis/ # 结果分析
│ │ ├── figure_gen/ # 图表生成
│ │ ├── writing/ # 论文撰写
│ │ └── review/ # 审稿与修订
│ ├── pipeline/ # 🔄 编排器 & 状态机
│ ├── schemas/ # 📋 Pydantic 数据模型
│ ├── prompts/ # 💬 YAML 提示词模板
│ ├── templates/ # 📄 LaTeX Jinja2 模板
│ └── latex/ # 🔧 LaTeX 自动修复
├── mcp_server/ # 🔌 MCP 工具服务
├── skills/ # 🎯 Claude Code 技能
└── pyproject.toml
```
---
## ❓ 常见问题
NanoResearch 真的会运行实验吗？
是的。流水线会生成可运行的代码，在本地 GPU 或 SLURM 集群上执行，并将实验产物传递给后续的分析、配图和写作阶段。**论文中的数据来自真实实验，而非模型编造。**
可以断点续跑吗？
可以。工作空间按阶段保存检查点，`nanoresearch resume --workspace ...` 会从上次未完成或失败的阶段继续。
每个阶段都需要配置模型吗？
不需要。NanoResearch 支持按阶段配置模型路由，也可以全部使用同一个模型。
生成的论文可以直接投稿吗？
建议将其视为高质量初稿，而非最终投稿版本。系统可以生成完整的论文工作空间和编译好的 PDF，但人工审阅和修订仍然必要。
LaTeX 编译推荐什么工具？
推荐使用 `tectonic`。Conda 安装的 texlive 可能缺少 `pdflatex.fmt`，导致编译失败且修复困难。`tectonic` 会自动下载所需的 TeX 包，无需额外配置。
```bash
conda install -c conda-forge tectonic
```
---
## 🎯 路线图
- [x] 9 阶段统一流水线
- [x] 本地 GPU + SLURM 集群执行
- [x] Claude Code 集成模式
- [x] 飞书机器人
- [x] 多会议论文模板（NeurIPS / ICML / arXiv）
- [x] 断点续跑与多模型路由
- [ ] 更多 Demo 与教程
- [ ] Benchmark 评估套件
- [ ] Web 端工作空间 UI
- [ ] 更多论文格式支持
🔝 返回顶部
---
## 🤝 贡献
欢迎开发者、研究者贡献代码与创意。
### 👥 社区与交流
加入微信群交流、答疑、协作。扫码加入：
🔝 返回顶部
---
## 📋 环境要求
- Python **3.10+**
- **OpenAI 兼容 API 端点**（用于文本模型阶段）
- 可选：图像模型访问权限（用于部分配图）
- `tectonic` 或 `pdflatex`（用于 PDF 编译）
---
## 🙏 致谢
- [claude-scholar](https://github.com/Galaxy-Dawn/claude-scholar) — Claude Code 的科研技能扩展
---
## ⭐ Star History
---
## 📝 引用
如有帮助，请引用：
```bibtex
@article{xu2026nanoresearch,
title={NanoResearch: Co-Evolving Skills, Memory, and Policy for Personalized Research Automation},
author={Xu, Jinhang and Zhu, Qiyuan and Wu, Yujun and Wang, Zirui and Zhang, Dongxu and Tang, Jianxin and Tian, Marcia and Duan, Yiling and Li, Siyuan and Wei, Jingxuan and others},
journal={arXiv preprint arXiv:2605.10813},
year={2026}
}
```
---
## 📄 许可证
MIT
🔝 返回顶部
---
